KI-Assistenten in der BI-Entwicklung: Erfahrungen aus einem echten Projekt

KI-Assistenten haben in der Softwareentwicklung längst einen Platz. Und sie funktionieren auch in der BI-Entwicklung, sobald das Modell als Text vorliegt (siehe Git für Power BI). Aber TMDL ist unbarmherzig, und ein Assistent, der den Projektkontext nicht kennt, macht mit Überzeugung Fehler. Der Unterschied zwischen „nützlich" und „gefährlich" liegt nicht im Modell, sondern in den Leitplanken.

Die Ausgangslage

In einem produktiven Power-BI-Repo (PBIP/TMDL, git-versioniert) sollten KI-Assistenten bei Modell- und Berichtsänderungen unterstützen. Das Problem zeigte sich schnell: Ohne projektspezifischen Kontext trifft ein Assistent plausible, aber falsche Annahmen. Über Spaltensemantik, über Konventionen, über das, was schon einmal schiefging.

Das Problem: Kontext und Konsistenz

Ein Assistent ist nur so gut wie der Kontext, den er hat. Im BI-Repo bedeutet das:

• Er kennt die Spaltensemantik nicht, wenn sie nicht dokumentiert ist. Und rät.
• Er kennt die Konventionen des Projekts nicht (Benennung, Strukturen), wenn sie nirgends stehen.
• Er wiederholt bekannte Fehler, wenn die Lessons nicht an einer Stelle gesammelt sind.

Und weil TMDL streng ist, schlägt ein gut gemeinter, aber kontextloser Edit oft direkt fehl. Oder, schlimmer, er lädt und ist subtil falsch.

Die Lösung: das Repo trägt seine eigenen Regeln

Wirksam ist nicht der schlauere Assistent, sondern das besser dokumentierte Repo. Drei Bausteine:

1. Versionierte Kontextdateien. Anweisungen für Assistenten (Konventionen, Do/Don't, Projektkontext) liegen als Dateien im Repo und werden mitversioniert. Sie entwickeln sich mit dem Projekt.
2. Eine klare Wahrheits-Hierarchie. Bei Regelkonflikten muss eindeutig sein, was gewinnt:

3. Eine zentrale Lessons-Datei. Jeder gelöste Stolperstein. Eine TMDL-Falle, eine Quell-Eigenheit, eine Semantik-Klärung. Wird einmal festgehalten und steht beim nächsten Mal zur Verfügung. So compounded das Wissen, statt sich zu wiederholen.

Dazu kommen leichte Routinen: ein TMDL-Preflight vor jedem Edit (Einrückung, eindeutige Tags, Gruppen-Existenz prüfen) und eine Scratchpad-Hygiene, damit Arbeitsnotizen nicht zur zweiten, widersprüchlichen Wahrheit werden.

Die Stolperfallen

1. Semantik raten lassen. Ohne dokumentierte Bedeutung nimmt der Assistent die naheliegende Annahme. Und liegt bei Quellsystemen oft daneben. Erst die Semantik klären, dann ändern lassen.
2. „Erst lesen, dann ändern" überspringen. Edits ohne vorheriges Lesen der Zieldatei sind die häufigste Fehlerquelle. Bei Mensch wie Maschine.
3. Lessons nicht zentralisieren. Verteiltes Wissen wird nicht wiedergefunden. Eine Quelle, an einer Stelle, verlinkt.

Das Takeaway

KI-Assistenten in der BI-Delivery funktionieren. Aber der Hebel ist Governance, nicht das Modell. Ein Repo, das seine Konventionen, seine Wahrheits-Hierarchie und seine Lessons selbst mitführt, macht den Assistenten verlässlich und das Onboarding (für Mensch und KI) schnell. Wer KI in der BI-Entwicklung einsetzen will, investiert zuerst in diese Leitplanken. Dann beschleunigt sie, statt zu gefährden.